本研究提出了一种新的离线数据增强方法D-CODA，旨在提升双手操作中的眼手协调模仿学习表现。通过合成手腕摄像机图像和动作标签，D-CODA在模拟和现实任务中均优于基线方法，推动了数据增强技术的发展。

本研究提出了DexMimicGen，一个大规模自动数据生成系统，旨在解决机器人双手灵巧操作中的数据获取瓶颈，从而有效提升机器人操作性能。

本文探讨了基于人类示范的模仿学习在机器人双手操作中的应用，提出了ScrewMimic和CTC等新方法，显著提高了任务成功率和操作效率。同时，研究分析了模仿学习算法在工业环境中的超参数敏感性和性能差异，为算法选择提供依据。

本研究开发了一种用于模仿双手操作和需要全身控制的移动操作任务的系统，并提出了Mobile ALOHA作为数据收集的低成本全身远程操作系统。通过使用Mobile ALOHA收集的数据，进行了监督行为克隆，并发现合作训练可以提高移动操作任务的性能。每个任务使用50个示范，合作训练可以将成功率提高到90％，使Mobile ALOHA能够自主完成复杂的移动操作任务。